CN111915096A - 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 - Google Patents
基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 Download PDFInfo
- Publication number
- CN111915096A CN111915096A CN202010817712.8A CN202010817712A CN111915096A CN 111915096 A CN111915096 A CN 111915096A CN 202010817712 A CN202010817712 A CN 202010817712A CN 111915096 A CN111915096 A CN 111915096A
- Authority
- CN
- China
- Prior art keywords
- crop
- forecast
- yield
- model
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000005516 engineering process Methods 0.000 title claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 15
- 238000011161 development Methods 0.000 claims abstract description 4
- 238000010899 nucleation Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 27
- 238000011160 research Methods 0.000 claims description 12
- 241000209140 Triticum Species 0.000 claims description 8
- 235000021307 Triticum Nutrition 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 4
- 244000068988 Glycine max Species 0.000 claims description 3
- 235000010469 Glycine max Nutrition 0.000 claims description 3
- 240000007594 Oryza sativa Species 0.000 claims description 3
- 235000007164 Oryza sativa Nutrition 0.000 claims description 3
- 240000008042 Zea mays Species 0.000 claims description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 claims description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 claims description 3
- 235000005822 corn Nutrition 0.000 claims description 3
- 235000009566 rice Nutrition 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000013339 cereals Nutrition 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Environmental Sciences (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Entrepreneurship & Innovation (AREA)
- Ecology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Atmospheric Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,包括如下步骤:S1:获取相关的观测气象数据以及遥感数据;S2:采用所述观测气象数据来驱动作物机理模型,从作物播种日期D0开始,逐日模拟作物生长发育,直至预报日期d;同时利用遥感数据对作物机理模型进行同化;S3:利用气候预测数据驱动作物模型继续运行,模拟至作物成熟日期D1,然后输出模拟产量Y;利用多套气候预测数据分别进行模拟,获得多个模拟产量,采用所述多个模拟产量的平均值作为预报产量;以及S4:利用多个不同的预报日期,重复步骤S1‑S3,由此获得针对不同预报日期的不同预报产量。
Description
技术领域
本发明涉及农业信息技术领域,具体而言涉及一种基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术。
背景技术
作物生长监测和产量早期预报信息对及时优化农业管理、减灾防灾、预测农业产品贸易行情及价格至关重要。因此,从上世纪80年代以来,该研究领域就受到广泛关注,试图通过遥感、作物模型和各种气候预测信息发展作物生长监测和粮食安全早期预警技术及系统。其中,作物生长监测和产量早期预报技术是发展粮食安全预警系统的核心技术。近年来,国内外学者结合作物模型、气候预测、遥感数据融合等技术对作物产量预报的可行性进行了探索,并在站点尺度取得了一定的成果。相比之下,目前针对大面积作物生长监测和产量早期预报技术的探索仍处于初级阶段,主要依靠遥感数据产品(如遥感植被指数、遥感叶面积指数)和简单的统计学模型进行预报。预报技术的机理性不强,难以广泛推广到实际应用中。同时,准确度也有待提升,对实际生产的指导意义有所欠缺。另外,现有方法没有系统地对预报时效进行阐述,这使得“作物产量可以提前多久进行预报”这一问题始终没有明确的答案。因此,目前大面积作物产量早期预报仍面临准确度、机理性、时效性等方面的限制。因此,发展一套机理性强,易于推广,且可以尽早地、足够准确地预报区域作物产量的技术及系统,对于客观、及时地发布预报信息至关重要,也是该领域的研究热点以及亟待解决的关键问题。
发明内容
为了至少部分解决上述现有技术中存在的问题,本发明将作物机理模型、遥感观测信息、数据融合新方法(即空间格局同化方法)、气候早期预报以及集合预报、滚动预报技术等结合在一起,由此提出了一种作物产量早期预报技术。
根据本发明一方面,提供了一种基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,包括如下步骤:
S1:获取研究区域内的预报日期d之前的观测气象数据以及遥感数据;
S2:采用所述观测气象数据来驱动作物机理模型,从作物播种日期D0开始,逐日模拟作物生长发育,直至预报日期d;在该步骤过程中,利用从日期D0到d之间的遥感数据,对作物机理模型进行同化,所述遥感数据包括叶面积指数LAI;
S3:获取预报日期d之后的气候预测数据,并利用该气候预测数据驱动作物模型继续运行,模拟至作物成熟日期D1,然后输出模拟产量Y;
其中,所述气候预测数据包括多套预测数据,利用所述多套预测数据分别进行模拟,获得多个模拟产量,采用所述多个模拟产量的平均值作为预报产量;以及
S4:调整预报日期d,以在日期D0到D1之间获得多个不同的预报日期,然后针对所述多个不同的预报日期,重复步骤S1-S3,由此获得针对不同预报日期的不同预报产量。
根据本发明的实施方案,所述作物机理模型可以选自MCWLA系列模型、CERES系列模型、APSIM模型、WOFOST模型。
根据本发明的实施方案,所述作物可以选自玉米、水稻、小麦和大豆等。
根据本发明的实施方案,所述气象数据可以包括日太阳辐射、日最高温度、日最低气温、日降雨量、日相对湿度和日平均风速。
根据本发明的实施方案,各个预报日期之间的间隔可以为7-10天,例如8,9天。
根据本发明的实施方案,所述基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术还包括步骤S5:将各预报产量与实际统计产量相比较,得到不同的预报误差;然后根据预报误差的大小,确定研究区域内所述作物的对应预报的时长。
根据本发明的实施方案,可以采用平均绝对百分百误差(MAPE)来表示误差。
本发明将作物机理模型、遥感观测信息、数据融合(即空间格局同化方法)、气候早期预报以及集合预报、滚动预报技术等结合在一起,发展了一套农作物产量早期预报技术,并且能够实现有益的技术效果:
(1)可以及时地、准确地实现大面积作物产量预报。该技术准确度高、机理性强、易于推广;
(2)利用滚动预报技术对“作物产量可以提前多久进行预报”这一问题进行了回答,阐明了有效预报时间;
(3)本发明显著提升了对产量预报潜力的认识,并将极大地推动产量预报技术的实用化。
附图说明
附图中相同的附图标记标示了相同或类似的部件或部分。本发明的目标及特征考虑到如下结合附图的描述将更加明显,附图中:
图1是根据本发明的一个实施方案的研究区及基于遥感叶面积指数提取的冬小麦种植区。
图2是根据本发明的一个实施方案的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术的流程示意图。
图3是根据本发明一个实施方案的使用不同气象预测数据时的预报精度结果图。
图4是根据本发明一个实施方案的对比三种预报方案实现不同预报精度的概率随预报时间的变化结果图。
具体实施方式
为清楚地说明本发明中的方案,下面给出优选的实施例并结合附图详细说明。以下的说明本质上仅仅是示例性的而并不是为了限制本公开的应用或用途
应该理解的是,本发明所引用的作物模型、遥感模块以及同化方法等本身是已知的,例如模型的各个子模块、各种参数、运行原理机制等等,因此本发明重点阐述如何作物机理模型、遥感观测信息、气象数据、气候早期预报等结合在一起,以设计农作物产量早期预报技术。
本发明的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术基于作物机理模型模拟,可以针对年y的作物生长季产量预报,假设当前日期为d,即需要在日期d预测年份y的作物产量,从播种期日期D0开始,采用观测气象数据驱动作物机理模型逐日(也即,模拟步长为日尺度)模拟作物生长发育直至模拟至日期d,d也被称为预报日期。
所述气象数据例如可以包括日太阳辐射、日最高温度、日最低气温、日降雨量、日相对湿度和日平均风速等。观测数据例如可以来观测站和气象局的发布数据。另外,作物机理模型无具体模型限制,例如可以为MCWLA系列模型、CERES系列模型、APSIM模型、WOFOST模型等。本发明可应用于多种作物,例如玉米、水稻、小麦和大豆等。
在模拟过程中,如遇到有遥感数据(例如叶面积指数LAI等)的日期,则可以进行数据同化操作(本地化),例如利用空间格局同化方法,对作物机理模型模拟的作物生长特征参数(如LAI)和遥感数据进行同化操作。本操作在模拟至预报日期d前实施,一般存在多个日期可以进行同化操作。应该理解的是,上述同化为本领域中所熟知,本文中不再赘述。本发明方法对于多种遥感数据具有普适性,同化运算的空间分辨率及时间频率可以与遥感数据的时空分辨率保持一致。例如LAI可以采用Copernicus LAI数据。
当模型模拟至日期d之后,进入产量预报阶段。使用预测的气象数据序列驱动作物模型继续运行,直至模型模拟作物成熟日期D1,输出模拟产量Y。
产量预报阶段所使用的预测的气象数据可以不是单一数据,而是采用多数据序列集合模拟技术进行操作。针对每一个预测的气象数据序列,均可得到一个对应的模拟产量。当使用n个预测气象数据序列(也即,多个气象研究中心发布的、针对同一个时段某个地区的多套气候预测数据)时,可得到Y1,Y2……Yn共n组模拟产量。这些模拟产量的均值,即(Y1,Y2……Yn)/n作为预报产量。所述气候预测数据可以包含多种来源,例如中国气象局(CMA)气候预报产品,欧洲中期天气预报中心(ECMWF)气候预报产品、英国气象局(UKMO)气候预报产品等。亦可以利用历史观测数据来代表气候预测数据。
本发明中,所述产量可以匹配实际统计产量的空间尺度,例如作物模型运算所得产量为格网尺度,可以聚合至统计产量的尺度,例如县级。可以将各预报产量与实际统计产量相比较,得到不同的预报误差,可以采用平均绝对百分百误差(MAPE)、均方根误差(RMSE)、或者其他合适的参数来表示误差;然后根据预报误差的大小,确定研究区域内所述作物的对应预报的时长。
本发明中,所述预报日期d为可变变量,不同的d值会影响预报准确度,d值越接近作物成熟期,预报准确度越高。通过滚动变化d值,例如d+1,d+2……d+m…d-1…可获得不同日期下的产量预报结果。对不同预报日期下产量预报准确度进行评价可以获得预报准确度随d值的滚动变化情况,并可以据此回答“作物产量可以提前多久进行预报”这一问题。
下面结合具体的实施例对本发明的技术进行进一步的详细说明。
实施例
下面以中国华北平原中部(图1)为研究区,研究对象为小麦,示例性说明本发明技术方法的具体应用。实施例用于说明本发明,但不用来限制本发明的范围。
更具体地,在本例中,产量预报技术被应用于2008-2015年进行产量预报回测以检验预报技术的性能。本示例采用MCWLA-Wheat模型作为示例作物机理模型,使用的遥感LAI数据为Copernicus LAI(空间分辨率1km×1km,时间频率为每10天一期);使用了多种气象数据作为预测数据,包括中国气象局(CMA)气象预测产品,欧洲中期天气预报中心(ECMWF)气象预测产品、英国气象局(UKMO)气象预测产品,同时,历史气象观测数据也被用作可能的预测数据。
针对其中的一个年份y,构建作物机理模型MCWLA-Wheat,应该理解的是,作物机理模型MCWLA-Wheat为本领域技术人员所熟知,该模型的构建/本地化也是已知的,例如可以利用研究区内以及研究时段的土壤、气候、农田管理等数据来输入模型进行操作,在此就不具体赘述;然后从播种期D0起开始模拟,以年y实测气象数据(国家气象局气象站观测共享数据,包括日太阳辐射、日最高温度、日最低气温、日降雨量、日相对湿度和日平均风速)驱动所构建的MCWLA-Wheat。同时获取Copernicus LAI数据,当遇到遥感数据存在的日期,对模型和遥感数据进行空间格局同化,实时修正模型模拟过程;模型与遥感数据的同化没有特别的限制,并且该技术为本领域所熟知。
本示例进行了多个预报日期d(d1,d2,d3……dn)的滚动预报工作,针对每个预报日期d,作物模型耦合遥感数据在日期d之前进行模拟以及同化工作。在d之后将使用气候预测数据驱动模型运行至成熟期D1并输出模拟产量。图2是根据本发明提出的预报技术的一个实施方案的流程示意图。
如图2所示,本发明所提出的作物产量早期预报技术耦合了作物模型、作物模型与遥感数据同化新技术、以及气候预报信息。基于本技术,当前示例给出了一个针对华北地区冬小麦的先进的作物产量早期预报系统。随着遥感LAI数据和气候预报信息的更新,开展滚动预报,在不同的预报日期,输出作物产量预报结果。本示例中,不同预报日期d(d1,d2,d3……dn)之间的间隔为8天。
本示例使用了多种气象预测数据进行产量预报效果展示,其中,中国气象局(CMA)气象预测产品,欧洲中期天气预报中心(ECMWF)气象预测产品、英国气象局(UKMO)气象预测产品均提供了多套可能的气象预测。当使用历史气象观测作为气候预测数据时,使用预报年y之前30年(即y-1至y-30)的历史数据作为30套可能的气象预测。在使用上述数据时,每一套气象预测均被用于驱动预报日期d之后的模型运行,使用多套气象预测的产量预报结果的均值作为最终预报产量。
然后,针对每个预报日期输出的作物产量预报结果,产量将聚合至县级尺度,并与当年的实际统计产量记录进行对比。
预报准确度采用平均绝对百分比误差(MAPE)进行评价。
其中,Oi,y为y年i县的产量统计结果,Pi,dn,y为在y年i县预报日期为dn时的产量预报结果,n为产量模拟预报的组数,也即使用的气象数据的序列数。
本示例所得的2008-2015年产量预报结果以及的准确度评价结果如表1、图3和图4所示。
下表1为本示例研究区各年总的平均预报产量以及统计产量的结果。
表1表明,随着预报期缩短,使用历史气象数据、CMA气象预测、UKMO气象预测的预报产量逐渐接近统计产量,其中历史数据表现最优,在提前44天时绝对误差已经在5%以下,CMA表现次之,UKMO和ECMWF数据的产量预报结果表现再次之。
图3和图4为研究区中使用不同气象预测数据时的预报精度结果以及各种方案的比较图,其中:
图3的(a)中,基于过去30年历史气象数据的产量预报误差随随预报日期的变化而减小,提前60天预报的平均误差小于12%;
图3的(b)中,基于中国气象局(CMA)气象预测的产量预报误差随预报日期的变化呈现下降趋势,提前60天预报的平均误差小于12%;
图3的(c)中,基于欧洲中期天气预报中心(ECMWF)气象预测的产量预报误差随预报日期的变化呈现下降趋势,提前44天预报的平均误差小于14%(ECMWF仅提供最长44天的气象预测);
图3的(d)中,基于英国气象局(UKMO)气象预测的产量预报误差随预报日期的变化呈现下降趋势,提前60天预报的产量误差小于15%;
图3的(e)作为对照,基于实测气象数据的产量模拟误差随预报日期的变化逐渐减小,提前60天预报的产量误差接近10%;
图3的(f)中,基于不同气候预测数据的产量预报与基于实测气候数据模拟的差异随预报时间的变化表明,基于历史气候数据的集合预报误差较小,其次是基于中国气象局(CMA)的气候预报信息。
基于图3的结果,图4展示了实现不同预报准确度的概率。此处选取了基于中国气象局(CMA)气象预测的产量预报结果,和基于历史气候数据的产量预报结果,并使用基于实测气候资料的产量模拟结果作为对照。结果表明利用历史数据开展产量集合预报,提前52天小麦产量预报误差小于12.5%的概率大于80%,提前44天小麦产量预报误差小于12.5%的概率可以达到90-100%。在概率≥80%的前提下,实现预报误差小于10.0%,12.5%和15%的对应预报时长分别为提前36、52和60天。基于中国气象局(CMA)气象预测的产量预报,在概率≥80%的前提下,实现预报误差小于10.0%,12.5%和15%的对应预报时长分别为提前28、36和36天。
本示例基于上述操作和结果,展示了本发明提出的产量预报技术的实际操作过程以及预报结果。上述结果表明,基于本发明所提出的产量预报技术,结合历史观测数据,可以实现较高准确度的华北地区冬小麦产量预报。针对本示例中华北地区冬小麦产量预报,可以实现提前5周至两个月对产量进行较为准确的预报。本技术可以广泛的应用于各类作物、区域的推广。需要指出的是,针对不同地区、不同作物,可能需要采用不同的遥感或气象预测数据以实现最优的预报效果。本发明可以及时地、准确地实现大面积作物产量预报。同时,基于本发明所提出的滚动预报技术,可以对“作物产量可以提前多久进行预报”这一问题进行回答,阐明有效预报时间。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的装置及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,包括如下步骤:
S 1:获取研究区域内的预报日期d之前的观测气象数据以及遥感数据;
S2:采用所述观测气象数据来驱动作物机理模型,从作物播种日期D0开始,逐日模拟作物生长发育,直至预报日期d;在该步骤过程中,利用从日期D0到d之间的遥感数据,对作物机理模型进行同化,所述遥感数据包括叶面积指数LAI;
S3:获取预报日期d之后的气候预测数据,并利用该气候预测数据驱动作物模型继续运行,模拟至作物成熟日期D1,然后输出模拟产量Y;
其中,所述气候预测数据包括多套预测数据,利用所述多套预测数据分别进行模拟,获得多个模拟产量,采用所述多个模拟产量的平均值作为预报产量;以及
S4:调整预报日期d,以在日期D0到D1之间获得多个不同的预报日期,然后针对所述多个不同的预报日期,重复步骤S1-S3,由此获得针对不同预报日期的不同预报产量。
2.根据权利要求1所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,所述作物机理模型选自MCWLA系列模型、CERES系列模型、APSIM模型、WOFOST模型。
3.根据权利要求1所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,所述作物选自玉米、水稻、小麦和大豆。
4.根据权利要求1所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,所述气象数据包括日太阳辐射、日最高温度、日最低气温、日降雨量、日相对湿度和日平均风速。
5.根据权利要求1所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,各个预报日期之间的间隔为7-10天。
6.根据权利要求1所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,还包括步骤S5:将各预报产量与实际统计产量相比较,得到不同的预报误差;然后根据预报误差的大小,确定研究区域内所述作物的对应预报的时长。
7.根据权利要求6所述的基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术,其特征在于,采用平均绝对百分百误差(MAPE)来表示误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817712.8A CN111915096B (zh) | 2020-08-14 | 2020-08-14 | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010817712.8A CN111915096B (zh) | 2020-08-14 | 2020-08-14 | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915096A true CN111915096A (zh) | 2020-11-10 |
CN111915096B CN111915096B (zh) | 2021-03-09 |
Family
ID=73284614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010817712.8A Active CN111915096B (zh) | 2020-08-14 | 2020-08-14 | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915096B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744074A (zh) * | 2021-09-06 | 2021-12-03 | 北京超图软件股份有限公司 | 确定农业作物的减灾保产措施的方法和装置 |
CN114565134A (zh) * | 2022-01-25 | 2022-05-31 | 中国科学院地理科学与资源研究所 | 水稻生长期的预测方法、装置、设备及可读存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
CN104656617A (zh) * | 2015-01-15 | 2015-05-27 | 青岛智能产业技术研究院 | 基于物联网和云计算技术的温室环境调控系统和方法 |
CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测系统和方法 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
WO2019081567A1 (de) * | 2017-10-26 | 2019-05-02 | Basf Se | Ertragsabschätzung beim anbau von kulturpflanzen |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
CN110222870A (zh) * | 2019-05-05 | 2019-09-10 | 中国农业大学 | 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法 |
US20200051180A1 (en) * | 2017-08-28 | 2020-02-13 | The Climate Corporation | Crop disease recognition and yield estimation |
CN110889547A (zh) * | 2019-11-20 | 2020-03-17 | 中国农业大学 | 一种作物生育期预测方法及装置 |
CN111090923A (zh) * | 2018-10-22 | 2020-05-01 | 财团法人交大思源基金会 | 具有预测农地土壤状态的物联网系统与建模方式 |
US20200183048A1 (en) * | 2014-09-12 | 2020-06-11 | The Climate Corporation | Forecasting national crop yield during the growing season |
-
2020
- 2020-08-14 CN CN202010817712.8A patent/CN111915096B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104134095A (zh) * | 2014-04-17 | 2014-11-05 | 中国农业大学 | 一种基于尺度转换和数据同化的农作物产量估测方法 |
US20200183048A1 (en) * | 2014-09-12 | 2020-06-11 | The Climate Corporation | Forecasting national crop yield during the growing season |
CN104656617A (zh) * | 2015-01-15 | 2015-05-27 | 青岛智能产业技术研究院 | 基于物联网和云计算技术的温室环境调控系统和方法 |
CN104732299A (zh) * | 2015-04-03 | 2015-06-24 | 中国农业科学院农业信息研究所 | 一种玉米产量组合预测系统和方法 |
CN106951979A (zh) * | 2017-02-20 | 2017-07-14 | 中国农业大学 | 遥感、作物模型与气象预报融合的作物成熟期预测方法 |
US20200051180A1 (en) * | 2017-08-28 | 2020-02-13 | The Climate Corporation | Crop disease recognition and yield estimation |
WO2019081567A1 (de) * | 2017-10-26 | 2019-05-02 | Basf Se | Ertragsabschätzung beim anbau von kulturpflanzen |
CN111090923A (zh) * | 2018-10-22 | 2020-05-01 | 财团法人交大思源基金会 | 具有预测农地土壤状态的物联网系统与建模方式 |
CN109754125A (zh) * | 2019-01-18 | 2019-05-14 | 中国农业大学 | 基于作物模型、历史和气象预报数据的作物产量预报方法 |
CN110222870A (zh) * | 2019-05-05 | 2019-09-10 | 中国农业大学 | 同化卫星荧光数据与作物生长模型的区域冬小麦估产方法 |
CN110889547A (zh) * | 2019-11-20 | 2020-03-17 | 中国农业大学 | 一种作物生育期预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
ZHAO ZHANG: ""Improving regional wheat yields estimations by multi-step-assimilating of a crop model with multi-source data"", 《AGRICULTURAL AND FOREST METEOROLOGY》 * |
李振海: ""基于遥感数据和气象预报数据的DSSAT模型冬小麦产量和品质预报"", 《中国博士学位论文全文数据库 农业科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113744074A (zh) * | 2021-09-06 | 2021-12-03 | 北京超图软件股份有限公司 | 确定农业作物的减灾保产措施的方法和装置 |
CN114565134A (zh) * | 2022-01-25 | 2022-05-31 | 中国科学院地理科学与资源研究所 | 水稻生长期的预测方法、装置、设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111915096B (zh) | 2021-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829234B (zh) | 一种基于高分辨率遥感数据和作物模型的跨尺度高精度动态作物长势监测和估产方法 | |
CN108446999B (zh) | 基于冠气温差和遥感信息进行灌区不同作物et估算方法 | |
CN106951979A (zh) | 遥感、作物模型与气象预报融合的作物成熟期预测方法 | |
CN110751094A (zh) | 一种基于gee综合遥感影像和深度学习方法的作物估产技术 | |
CN110633841B (zh) | 基于集合采样的省级范围地块尺度数据同化产量预测方法 | |
CN111915096B (zh) | 基于作物模型、遥感数据和气候预测信息的作物产量早期预报技术 | |
CN107392376A (zh) | 一种农作物气象产量预测方法及系统 | |
CN106485002B (zh) | 在复杂地形气候区域估算甘蔗潜在产量的方法 | |
CN105912836A (zh) | 一种纯遥感数据驱动的流域水循环模拟方法 | |
CN107103395B (zh) | 一种农作物虫害短期预警方法 | |
Lana et al. | Regionalization of climate scenarios impacts on maize production and the role of cultivar and planting date as an adaptation strategy | |
CN116595333B (zh) | 土壤-气候智慧型的水稻目标产量与氮肥用量确定方法 | |
CN113762788A (zh) | 农地数据模型与画像构建方法和系统 | |
Zhang et al. | Responses and sensitivities of maize phenology to climate change from 1971 to 2020 in Henan Province, China | |
CN115952421A (zh) | 耦合生态过程模型与机器学习算法的高精度时空模拟方法 | |
CN109615150B (zh) | 一种确定水稻气象产量的方法和系统 | |
CN116523673A (zh) | 数字烟田智慧农业系统 | |
CN112446155B (zh) | 一种目标农作物的空间格局模拟模型获取方法 | |
CN109359862A (zh) | 一种粮食作物实时估产方法及系统 | |
CN115392016A (zh) | 一种基于遥感数据同化的青贮玉米生长发育预测方法 | |
Zhang et al. | Effects of direct heat stress on summer maize and risk assessment | |
CN112131954A (zh) | 基于卷积神经网络的中国北方冬小麦遥感估产 | |
Yang et al. | Seasonal prediction of crop yields in Ethiopia using an analog approach | |
CN113762768B (zh) | 基于天气发生器和作物模型的农业旱灾动态风险评估方法 | |
Bhartra et al. | Agricultural Yield Estimation of Various Crops in Southern India Using Vegetation Index |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |